传统滚动轴承故障预测仅对单个故障特征频率做时间序列预测,而滚动轴承故障由多个故障频率共同表征。为了全面的表征整个频谱的结构,并且不破坏各个频率间的内部联系,提出奇异值分解和极限学习机相结合的多变量时间序列预测方法。首先通过全矢谱方法得到振动信号频谱,然后以整个频谱的各个频率作为输入变量,构建多变量时间序列。最后通过多变量极限学习机和奇异值分解相结合的方法构建训练和测试样本,对频谱进行预测。采用该方法对全寿命滚动轴承数据进行验证,实验结果表明了该方法的有效性。

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法。首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息。结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断。

针对滚动轴承在实际工作条件下背景噪声过大且难以去除等问题,基于CEEMDAN分解与SVD对背景噪声进行过滤。经对比实验分析证明,文中提出的方法在强噪声背景下比现有的单一降噪方法更有效,可以应用于类似的滚动轴承故障信号分析当中。

通过对微机械薄膜变形镜影响函数矩阵的奇异值分解,构建了变形镜可以校正的像差模式空间,分析了变形镜对正交基模式的校正能力和校正范围,提出了一种变形镜闭环迭代控制算法。通过对影响函数矩阵低秩近似的方法滤除校正性能较差的基模式的影响,实现了对畸变像差的有选择校正。以人眼出射波前为对象进行实验,通过比较不同模式项数校正时的效果,确定了最优校正模式项数的范围,通过设置残差容限的方法,消除了人眼晃动和眨眼的影响。实验结果表明：控制算法能通过选择合适的校正项数,提高变形镜的校正性能,并获取到了高清晰度的人眼视网膜图像,为眼科疾病诊断和治疗提供了一种新的观察手段。

对航空液压泵采集振动信号进行研究,首先提出改进阈值函数的奇异值小波去噪法,该方法对信号进行奇异值分解,把噪声非均匀分布的信号正交分解成噪声相对均匀分布的分量,然后采用改进小波阈值去噪法对每个分量进行去噪,最后重构去噪后的分量得到去噪后信号。该方法克服了软、硬阈值的缺陷,不仅提高了信噪比而且能很好地消除高斯噪声,抑制阈值法去噪时导致的伪吉布斯现象。应用该方法对仿真信号和实测航空液压泵振动信号进行去噪处理,结果表明,该方法有效可行。

矿用电机运行过程中环境噪声强且复杂,其滚动轴承的早期故障特征容易被淹没。提出一种有限包络谱熵(LESE)引导的振动信号奇异值分解方法,用于滚动轴承早期故障特征提取。根据待分解信号中频率和奇异值之间的对应关系,将对应同一振动信号成分的奇异分量进行累加作为一个信号子分量进行输出;提出LESE用来解决轴承微弱故障信号经SVD处理后故障敏感信号分量的筛选;最后通过对故障敏感信号分量进行包络谱分析从而确定滚动轴承的故障类型。实验结果

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用

针对当前在嵌入式平台上的三维重建实时性和点云配准精度下降的问题,提出了一种简单的位姿估计方法并在此基础上实现了基于视觉的三维重建。将差动式驱动的移动机器人运动简化为在同一时刻只有水平转动或者同一时刻只有直线平移。对分解后的两种运动形式采用不同的简化算法,在降低计算量的同时保证模型精度。通过基于标准数据集的离线实验和基于真实环境的机器人在线实现结果表明,提出的方法能够满足室内环境重建的精度和实时性。

针对滚动轴承早期故障信号具有周期性冲击的特点和被强噪声淹没而难以提取的问题,提出了一种基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)与稀疏编码收缩(Sparse Coding Shrinkage,SCS)集成的轴承故障特征提取方法(命名为ITD-SCS)。ITD能自适应地将振动信号分解成若干固有旋转分量(Proper Rotation,PR),选择有效的PR分量突显信号的冲击特征。进一步采用奇异值分解(Singular Value Decomposition,SVD)对每一有效PR实施滤噪作为SCS的前置滤噪单元以提高信号的稀疏性。最后,通过SCS利用极大似然估计方法提取合成信号中的冲击特征。将ITD-SCS应用于轴承内圈故障仿真信号和外圈实际故障振动信号的实验结果表明,ITD-SCS能有效提取强背景噪声下的轴承故障信号的冲击特征。

针对故障早期状态信号的微弱与包含脉冲突变成分对故障信号采集、去噪、预测等带来的极大挑战，分析了Morlet小波变换的滤波特性及其时频分辨率，提出了基于参数优化的Morlet小波变化的故障特征提取办法。利用最小Shannon熵方法和奇异值分解的周期检测方法分别对Morlet小波的形状参数口和尺度因子Ⅱ进行优化。最终选择了最优Morlet小波作为滤波内核，对轴承早期状态进行震动检测与分析，从而完成对数控机床主轴轴承的早期状态监测与故障预测。仿真试验和实际应用的结果表明，实际f=232．7Hz，接近故障通过频235．6Hz，推测轴承外圈出现性能下降，完成故障预测。该研究有助于对机械突变故障信号的微弱信号检测和提取，对数控装备的故障诊断、预测及未来故障注入，BIT有重要研究意义。